检索结果-内蒙古大学图书馆

通信学报 2025年第1期46卷 79-92页

作者：李梦倩田有亮张军鹏赵冬梅贵州大学公共大数据国家重点实验室贵州贵阳550025 贵州大学计算机科学与技术学院贵州贵阳550025 贵州大学大数据与信息工程学院贵州贵阳550025 河北师范大学河北省网络与信息安全重点实验室河北石家庄050024

针对联邦学习场景下客户端选择不公平及模型训练低效问题,提出了一种基于激励机制的隐私保护联邦学习框架(zCDP-FL)。该框架将第二价反向拍卖应用到客户端的选择策略,设计了激励机制算法(SRAI),最大化系统效益。此外,采用零集中差分隐私... 详细信息

针对联邦学习场景下客户端选择不公平及模型训练低效问题,提出了一种基于激励机制的隐私保护联邦学习框架(zCDP-FL)。该框架将第二价反向拍卖应用到客户端的选择策略,设计了激励机制算法(SRAI),最大化系统效益。此外,采用零集中差分隐私,提出了隐私预算动态分配算法,实现训练过程中噪声规模的动态调整,在严格隐私计算边界的情况下提供更强的隐私保护。理论分析与仿真实验证明,zCDP-FL能够有效防止隐私泄露,并提升了2.13%~3.62%模型训练效率。

关键词：联邦学习零集中差分隐私激励机制隐私预算动态分配

来源：评论

学校读者我要写书评

暂无评论

面向目标多模态情感分析的双通道循环神经网络模型

引用

山西大学学报(自然科学版) 2024年第1期47卷 48-58页

作者：王静红高远李昊康河北师范大学计算机与网络空间安全学院河北师范大学河北省网络与信息安全重点实验室河北师范大学供应链大数据分析与数据安全河北省工程研究中心河北工程技术学院人工智能与大数据学院

面向目标的多模态情感分析，其任务是对多模态帖子或评论中给定的目标词进行情感分类。针对目前该领域结合循环神经网络的模型只关注于一般的文本和图片表示，没有同时考虑模态内和模态间的信息交互，且忽略了图像信息中的噪声的问题，... 详细信息

面向目标的多模态情感分析，其任务是对多模态帖子或评论中给定的目标词进行情感分类。针对目前该领域结合循环神经网络的模型只关注于一般的文本和图片表示，没有同时考虑模态内和模态间的信息交互，且忽略了图像信息中的噪声的问题，提出了一种双通道循环神经网络模型（DRNN）。该模型首先设计了一个基于注意力机制的循环神经网络模块，该模块利用门控循环单元（Gate Recurrent Unit, GRU）来过滤图像的噪声，之后通过注意力机制将文本和图像融合，最后将融合后的信息逐步加入目标信息中，得到模态间的动态表示。另外提出了一个目标文本交互循环神经网络模块，该模块通过计算目标信息与上下文中每个词的权重来学习模态内的上下文表示。最后将两部分模块得到的信息拼接后送入全连接层和softmax层预测情感极性。在两个基准数据集Twitter-15和Twitter-17上进行了大量实验，实验结果表明，与当前最先进的模型相比该模型能够有效增强面向目标的多模态情感分析的效果。

关键词：循环神经网络多模态面向目标的情感分析注意力机制噪声

来源：评论

学校读者我要写书评

暂无评论

基于自编码器及对比损失的图聚类方法

引用

南京师大学报(自然科学版) 2025年第1期48卷 75-84页

作者：王静红王慧袁绰河北师范大学计算机与网络空间安全学院河北石家庄050024 河北省网络与信息安全重点实验室河北石家庄050024 供应链大数据分析与数据安全河北省工程研究中心河北石家庄050024 河北工程技术学院河北石家庄050020

图聚类根据图数据的内在关系找到组或社区,是数据分析中一项重要的研究问题.近年来,基于自编码器的方法能够获得有效节点属性表示,但未融合结构信息.由于图神经网络的广泛应用,基于半监督图卷积网络和图自编码器的模型能够融合结构信息... 详细信息

图聚类根据图数据的内在关系找到组或社区,是数据分析中一项重要的研究问题.近年来,基于自编码器的方法能够获得有效节点属性表示,但未融合结构信息.由于图神经网络的广泛应用,基于半监督图卷积网络和图自编码器的模型能够融合结构信息,与传统聚类方法相比取得了较好的效果,但标记数据和卷积操作代价昂贵.因此,本文提出了一种基于自编码器及对比损失的图聚类方法.首先该方法使用简单的多层感知器设计自编码器,预训练自编码器学习节点属性表示.其次结合影响对比损失学习图嵌入表示,融合丰富的图结构信息,然后同时迭代优化嵌入表示和自监督聚类任务.最后,使用多个引文网络数据集与基准模型进行对比实验.实验表明,聚类性能得到有效提升,并且参数敏感性分析和变体实验验证了影响对比损失和自监督聚类的有效性.

关键词：图聚类自编码器影响对比损失图嵌入自监督聚类

来源：评论

学校读者我要写书评

暂无评论

基于相似网络和联合注意力的图嵌入模型

引用

河南师范大学学报（自然科学版） 2024年第6期52卷 36-44页

作者：王静红李昌鑫杨家腾于富强河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北工程技术学院人工智能与大数据学院石家庄050020

图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌... 详细信息

图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌入模型.首先计算网络中的节点相似性,并将高相似度且未连接的节点对构建新边以形成相似网络.其次,引入结构相关性和内容相关性的概念,分别用于表征节点之间的结构关系和内容特征.通过融合两种相关性得分计算得到联合注意力分数.最后使用联合注意力分数对节点特征加权聚合,得到最终的节点嵌入表示.将本文所提算法在Cora、Citeseer和Pubmed 3个数据集上进行节点分类任务,准确率分别达到85.70%、74.30%、84.10%,与原始图注意力网络模型相比分别提高了2.70%、3.94%和2.60%.可见,所提出的算法可以得到更好的节点嵌入表示.

关键词：图嵌入图注意力网络节点相似性相似网络节点分类

来源：评论

学校读者我要写书评

暂无评论

基于拉格朗日对偶的小样本学习隐私保护和公平性约束方法

引用

计算机科学 2024年第7期51卷 405-412页

作者：王静红田长申李昊康王威河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北工程技术学院人工智能与大数据学院石家庄050020

小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型... 详细信息

小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型的训练中存在隐私泄露的风险和公平性问题。此外,在许多领域中,由于隐私或安全等,数据很难或无法获取。同时在差分隐私模型中,噪声的引入不仅会导致模型效用的降低,也会引起模型公平性的失衡。针对这些挑战,提出了一种基于Rényi差分隐私过滤器的样本级自适应隐私过滤算法,利用Rényi差分隐私以实现对隐私损失的更精确计算。进一步,提出了一种基于拉格朗日对偶的隐私性和公平性约束算法,该算法通过引入拉格朗日方法,将差分隐私约束和公平性约束加到目标函数中,并引入拉格朗日乘子来平衡这些约束。利用拉格朗日乘子法将目标函数转化为对偶问题,从而实现同时优化隐私性和公平性,通过拉格朗日函数实现隐私性和公平性的平衡。实验结果证明,该方法既提升了模型性能,又保证了模型的隐私性和公平性。

关键词：小样本学习隐私与公平 Rényi差分隐私公平性约束拉格朗日对偶

来源：评论

学校读者我要写书评

暂无评论

双路自编码器的属性网络表示学习

引用

计算机应用 2023年第8期43卷 2338-2344页

作者：王静红周志霞王辉李昊康河北师范大学计算机与网络空间安全学院石家庄050024 河北省网络与信息安全重点实验室(河北师范大学) 石家庄050024 供应链大数据分析与数据安全河北省工程研究中心(河北师范大学) 石家庄050024 河北工程技术学院石家庄050091

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络... 详细信息

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习(DENRL)算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0.961和0.970。可见,属性与结构信息的融合及交互学习可以获得更强的节点表示能力。

关键词：属性网络网络表示学习自编码器交互学习注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于多视图表示学习的语义感知异质图注意力网络

引用

计算机科学 2024年

作者：王静红吴芝冰王熙照李昊康河北师范大学计算机与网络空间安全学院河北省网络与信息安全重点实验室供应链大数据分析与数据安全河北省工程研究中心深圳大学计算机与软件学院河北工程技术学院人工智能与大数据学院

近年来，图神经网络因其能够高效处理异质图中的复杂结构和丰富语义信息而受到了广泛的关注。学习异质图的低维节点嵌入，同时为节点分类、节点聚类等下游任务保留异质结构和语义，是一个关键且具有挑战性的问题。现有的研究主要基于元... 详细信息

近年来，图神经网络因其能够高效处理异质图中的复杂结构和丰富语义信息而受到了广泛的关注。学习异质图的低维节点嵌入，同时为节点分类、节点聚类等下游任务保留异质结构和语义，是一个关键且具有挑战性的问题。现有的研究主要基于元路径来设计模型，但这种方法至少面临两个局限性：（1）合适元路径的选择通常需要专家知识或额外的标注信息。（2）该方法限制了模型按预定义的模式学习，从而难以充分捕获网络的复杂性。针对这些问题，提出了一种多视图和语义感知的异质图注意力网络（multi-view and semantic-aware heterogeneous graph attention network， MS-HGANN），无需人工设计元路径，即可融合节点和关系中的丰富语义信息。MS-HGANN主要包括三个部分：特征映射、二阶特定视图自我图融合和语义感知。特征映射将特征映射到统一的节点特征空间；二阶特定视图自我图融合设计了特定关系的编码器和节点注意力学习节点在局部结构上的表示；语义感知设计了两种相互协调的注意力机制来评估节点和关系的重要性，从而得到最终的节点表示。在三个公开数据集上的实验结果表明，我们的模型在节点分类和聚类任务上达到了先进水平。

关键词：图神经网络异质图图表示学习异质图嵌入异质网络

来源：评论

学校读者我要写书评

暂无评论

基于异质信息网的短文本特征扩充方法

引用

计算机科学 2022年第9期49卷 92-100页

作者：吕晓锋赵书良高恒达武永亮张宝奇河北师范大学计算机与网络空间安全学院石家庄050024 供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北省网络与信息安全重点实验室石家庄050024 河北师范大学软件学院石家庄050024 石家庄铁道大学信息科学与技术学院石家庄050043

随着计算机技术深度融入社会生活,越来越多的短文本信息遍布在网络平台上。针对短文本的数据稀疏问题,文中构建了一个鲁棒的异质信息网框架(HTE)来建模短文本,该框架可集成任何类型的附加信息并捕获它们之间的关系,以解决数据稀疏问题... 详细信息

随着计算机技术深度融入社会生活,越来越多的短文本信息遍布在网络平台上。针对短文本的数据稀疏问题,文中构建了一个鲁棒的异质信息网框架(HTE)来建模短文本,该框架可集成任何类型的附加信息并捕获它们之间的关系,以解决数据稀疏问题。基于该框架利用不同外部知识设计了6种短文本扩充方法,引入Wikipedia知识库和Freebase知识库的实体、实体类别、实体间关系等实体信息和文本主题等文本信息,以丰富短文本特征。最后使用相似性度量结果来验证所提出的短文本特征扩充方法的效果。通过与传统的3种相似性度量方法的6种文本扩充方法以及目前主流的短文本匹配算法在两个短文本数据集上进行比较,结果表明,所提的6种短文本扩充方法均有所提升,最佳方法的相似度度量结果与BERT相比提升了5.97%,证明了所提框架具有鲁棒性,可以包含多种类型的外部知识,能够解决短文本的数据稀疏性问题,以无监督的方式高精度地对短文本进行相似性度量。

关键词：异质信息网络短文本扩充方法短文本匹配知识库元路径

来源：评论

学校读者我要写书评

暂无评论

基于结构学习和自监督图注意力的网络表示学习

引用

山西大学学报(自然科学版) 2025年第1期48卷 29-42页

作者：王静红郑瑞策米据生李昊康河北师范大学计算机与网络空间安全学院河北师范大学河北省网络与信息安全重点实验室供应链大数据分析与数据安全河北省工程研究中心河北师范大学数学科学学院河北工程技术学院人工智能与大数据学院

网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）... 详细信息

网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）只考虑节点的一阶邻居信息，忽略了高阶邻居节点。（2）模型缺乏可解释性。（3）没有考虑到图中噪声边问题。为解决这些问题，本文提出了一种基于结构学习和自监督图注意力的网络嵌入模型（Structural Learning-based Self-supervised Graph Attention Network,SL-SGAT），融合节点特征与结构信息，降低噪声边干扰，提升模型可解释性。SL-SGAT主要包含三部分：图结构学习、自监督注意力机制和特征聚合。图结构学习构建全局图结构网络。自监督注意力机制设置一个自监督关系预测任务，加入噪声边损失。特征聚合利用注意力系数进行加权聚合，得到最终的节点嵌入表示。本文所提模型在Cora、Citeseer和Pubmed三个数据集上进行节点分类实验，准确率分别为84.4%、74.4%、81.5%，与表现优异的GAT及后续变体模型相比，分别提高1.4%、2.9%、3.2%；在节点聚类实验中，聚类精度分别提高3.3%、3.4%、1.2%。可见，我们提出的算法可以得到更好的嵌入结果。

关键词：网络表示学习图注意力网络自监督学习图结构学习节点分类

来源：评论

学校读者我要写书评

暂无评论

基于多视图表示学习的语义感知异质图注意力网络

引用

计算机科学 2025年第6期52卷 167-178页

近年来，图神经网络因能够高效处理异质图中的复杂结构和丰富语义信息而受到了广泛的关注。学习异质图的低维节点嵌入，同时为节点分类、节点聚类等下游任务保留异质结构和语义，是一个关键且具有挑战性的问题。现有研究主要基于元路径... 详细信息

近年来，图神经网络因能够高效处理异质图中的复杂结构和丰富语义信息而受到了广泛的关注。学习异质图的低维节点嵌入，同时为节点分类、节点聚类等下游任务保留异质结构和语义，是一个关键且具有挑战性的问题。现有研究主要基于元路径来设计模型，但这种方法至少存在两方面的局限性：1)合适元路径的选择通常需要专家知识或额外的标注信息；2)该方法限制了模型按预定义的模式学习，从而难以充分捕获网络的复杂性。针对这些问题，提出了一种多视图和语义感知的异质图注意力网络(Multi-view and Semantic-aware Heterogeneous Graph Attention Network, MS-HGANN)。该网络无需人工设计元路径，即可融合节点和关系中的丰富语义信息。MS-HGANN主要包括3个部分：特征映射、二阶特定视图自我图融合和语义感知。特征映射将特征映射到统一的节点特征空间；二阶特定视图自我图融合设计了特定关系的编码器和节点注意力学习节点在局部结构上的表示；语义感知设计了两种相互协调的注意力机制来评估节点和关系的重要性，从而得到最终的节点表示。在3个公开数据集上进行实验，结果表明，所提模型在节点分类和聚类任务上达到了先进水平。

关键词：图神经网络异质图图表示学习异质图嵌入异质网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：